2026年人工智能技术应用(人工智能基础)试题及答案

2026年人工智能技术应用(人工智能基础)试题及答案一、单项选择题（共15小题，每小题2分，总计30分。每小题只有一个正确答案，请将正确答案的序号填在括号内）1.人工智能的核心目标是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统，其学科属性属于（）A.单一计算机科学分支B.交叉边缘学科C.纯理论数学分支D.电子工程子类2.人工智能发展历程中第三次浪潮的核心驱动技术是（）A.专家系统B.符号逻辑推理C.深度学习与大模型D.感知机3.下列机器学习算法中，属于监督学习典型代表的是（）A.K-Means聚类B.决策树分类C.主成分分析（PCA）D.关联规则挖掘4.Transformer架构作为当前大模型的核心基础架构，其核心机制是（）A.卷积运算B.循环反馈C.自注意力机制D.池化操作5.多模态大模型的“多模态”核心是指（）A.模型具备多种推理路径B.可同时处理文本、图像、音频等多种类型数据C.支持多种部署方式D.可生成多种格式的代码6.具身智能作为2026年人工智能落地的重要方向，其核心构成要素不包括（）A.感知模块B.决策模块C.执行模块D.区块链存证模块7.联邦学习作为AI隐私计算的核心技术之一，其核心特点是（）A.数据集中存储，统一建模B.数据不出域，模型联合训练C.完全不需要标注数据D.仅支持文本数据训练8.知识图谱的基本组成单元是（）A.节点与边的二元组B.（头实体、关系、尾实体）三元组C.特征向量数组D.层级化标签树9.下列计算机视觉任务中，需要同时完成目标类别识别与空间定位的是（）A.图像分类B.目标检测C.图像去噪D.语义分割10.强化学习中，智能体调整策略的核心依据是（）A.标注数据的误差B.环境反馈的累积奖励C.人工设定的规则D.数据的分布特征11.下列AIGC（人工智能生成内容）的应用中，属于跨模态生成的是（）A.输入文本关键词生成营销文案B.输入语音转写为文字稿C.输入文本描述生成对应风格图像D.输入代码片段补全完整函数12.边缘AI相比云端部署AI的核心优势是（）A.计算能力更强B.存储容量更大C.低延迟与数据本地处理D.模型精度更高13.人工智能三大学派中，符号主义的核心观点是（）A.智能源于神经元的连接B.智能源于对符号的运算与推理C.智能源于与环境的交互进化D.智能源于数据的统计规律14.机器学习中解决过拟合问题的常用方法不包括（）A.增加训练数据量B.加入正则化项C.增大模型复杂度D.采用dropout机制15.混淆矩阵中，模型正确识别的正样本数量占所有实际正样本的比例，对应的指标是（）A.精确率（Precision）B.召回率（Recall）C.准确率（Accuracy）D.F1值二、多项选择题（共5小题，每小题3分，总计15分。每小题有两个及以上正确答案，多选、少选、错选均不得分，请将正确答案的序号填在括号内）1.下列属于监督学习典型应用场景的有（）A.垃圾邮件分类B.用户信用评分C.客户群体分群D.房价预测2.多模态大模型的核心基础能力包括（）A.跨模态理解B.跨模态生成C.模态对齐与融合D.量子加速计算3.人工智能伦理治理的核心原则包括（）A.公平公正B.透明可解释C.隐私保护D.技术至上4.强化学习的核心组成要素包括（）A.智能体（Agent）B.环境（Environment）C.奖励函数（Reward）D.标注数据集5.下列属于AIGC技术落地应用场景的有（）A.AI辅助生成产品设计图B.AI自动生成短视频字幕C.AI辅助医疗影像病灶标注D.AI智能客服自动回复咨询三、判断题（共10小题，每小题1分，总计10分。正确的填“√”，错误的填“×”）1.深度学习是机器学习的一个分支，核心是基于多层人工神经网络实现特征的自动提取与学习。（）2.大模型的推理精度仅由参数量决定，参数量越大，模型的实际应用效果一定越好。（）3.联邦学习可以在各方不共享原始数据的前提下，完成跨机构的联合模型训练。（）4.计算机视觉中的语义分割任务，仅需要识别整张图像的所属类别，不需要区分每个像素的类别。（）5.知识图谱可以用于支撑大模型的知识增强，减少大模型的“幻觉”问题。（）6.强化学习中的智能体只需要关注当前步骤的即时奖励，不需要考虑长期累积收益。（）7.多模态大模型可以实现文本、图像、音频等多种模态数据之间的转换与理解。（）8.机器学习中的欠拟合现象，是指模型在训练集上表现差，在测试集上表现好。（）9.具身智能的核心是让人工智能系统具备物理实体或虚拟躯体，能够与环境进行交互并通过交互进化能力。（）10.人工智能生成内容的著作权在全球范围内已明确完全归属于AI模型的开发者。（）四、简答题（共4小题，每小题6分，总计24分）1.请简述人工智能发展历程中三次浪潮的时间节点与核心标志。2.请分别阐述监督学习、无监督学习、强化学习的核心思想与典型适用场景。3.请简述多模态大模型的三项核心支撑技术与三类典型应用场景。4.请简述人工智能伦理中“算法可解释性”的内涵与实际应用价值。五、综合分析与应用题（共2小题，第1题10分，第2题11分，总计21分）1.某基层医院计划搭建人工智能辅助肺炎筛查系统，用于门诊患者胸部X光片的快速初筛，目前已收集到1500份带有明确诊断标签的胸部X光影像数据，其中健康样本400份，普通肺炎样本900份，重症肺炎样本200份。请结合人工智能基础相关知识，回答以下问题：（1）该筛查任务属于机器学习中的哪类核心任务？请说明判断依据。（3分）（2）当前数据集存在什么典型问题？该问题可能会对模型训练造成哪些负面影响？（3分）（3）请针对上述数据集问题，提出至少3种可行的解决方案，并简要说明原理。（4分）2.某教育科技企业计划在2026年推出面向中小学生的AI个性化学习助手，核心功能包括作业智能批改、知识点针对性讲解、个性化学习路径规划，产品要求兼顾学习效果、数据安全与内容合规。请结合人工智能技术应用的基础逻辑，完成以下分析：（1）该产品的核心功能需要用到哪些人工智能基础技术？请至少列举3种并说明其在产品中的作用。（4分）（2）为保障学生个人信息与学习数据的隐私安全，产品可采用哪些AI隐私计算基础技术？请简述其工作原理。（4分）（3）为避免AI生成的讲解内容出现知识性错误、不良导向等问题，可采用哪些基础的内容校验与模型对齐机制？（3分）参考答案及解析一、单项选择题1.【答案】B【解析】人工智能是融合计算机科学、数学、神经科学、语言学、哲学等多学科的交叉边缘学科，并非单一学科分支，其研究范畴涵盖认知模拟、算法研发、硬件落地、伦理治理等多个维度，因此B选项正确。2.【答案】C【解析】人工智能三次浪潮分别为：第一次浪潮（1956-1970年代）核心是符号逻辑推理与早期专家系统雏形；第二次浪潮（1980-1990年代）核心是商用专家系统的普及与浅层机器学习的探索；第三次浪潮（2012年至今）核心是深度学习的技术突破，2022年以来通用大模型、多模态大模型成为第三次浪潮的核心落地载体，推动AI从专用场景向通用能力演进，因此C选项正确。3.【答案】B【解析】监督学习的核心特征是基于标注数据训练模型，学习输入与输出的映射关系。决策树分类通过标注的类别标签学习分支规则，是典型的监督学习算法；K-Means聚类、主成分分析、关联规则挖掘均基于无标注数据挖掘内在规律，属于无监督学习范畴，因此B选项正确。4.【答案】C【解析】Transformer架构由Google团队2017年在《AttentionIsAllYouNeed》中提出，核心是自注意力机制，能够高效捕捉序列数据中的长距离依赖关系，且支持并行计算，是当前大模型的核心基础架构；卷积运算、池化操作是卷积神经网络的核心，循环反馈是循环神经网络的特点，因此C选项正确。5.【答案】B【解析】多模态大模型的“多模态”指数据的感知模态，即模型可以同时处理文本、图像、音频、视频等多种类型的感知数据，通过跨模态对齐实现不同模态的语义关联与转换，因此B选项正确。6.【答案】D【解析】具身智能的核心构成包括感知模块（采集环境视觉、力觉、听觉等信息）、决策模块（基于感知信息生成行动策略）、执行模块（通过机械臂、移动底盘等载体与环境交互），区块链存证模块属于数据存证工具，不属于具身智能的核心构成要素，因此D选项正确。7.【答案】B【解析】联邦学习的核心理念是“数据不动模型动”，各参与方不需要共享原始数据，仅通过交互加密后的模型参数或梯度完成联合训练，可有效解决数据孤岛与隐私保护的矛盾，是2026年跨机构AI落地的核心隐私技术之一，因此B选项正确。8.【答案】B【解析】知识图谱是结构化的语义知识库，基本组成单元是（头实体、关系、尾实体）三元组，用于描述真实世界中实体与实体之间的语义关系，大量三元组相互关联形成网状知识结构，因此B选项正确。9.【答案】B【解析】目标检测任务需要同时识别图像中目标的类别，并通过边界框（BoundingBox）确定目标的空间位置；图像分类仅需判断整张图像的所属类别，语义分割需要为每个像素分配类别标签，图像去噪属于图像增强任务，因此B选项正确。10.【答案】B【解析】强化学习是智能体通过与环境交互，根据环境反馈的正负奖励调整动作策略，核心目标是最大化长期累积奖励，而非仅依赖标注数据或人工规则，因此B选项正确。11.【答案】C【解析】跨模态生成指输入一种模态的数据，生成另一种模态的内容，输入文本生成图像属于典型的文本到图像跨模态生成；A、D属于同模态内容生成，B属于模态转写（理解类任务），因此C选项正确。12.【答案】C【解析】边缘AI是将AI模型部署在靠近数据产生的边缘端（如终端设备、边缘服务器），核心优势是低延迟（不需要将数据传输到云端处理）、数据本地存储（隐私安全性更高）；云端部署通常具备更强的计算能力、更大的存储容量与更高的通用模型精度，因此C选项正确。13.【答案】B【解析】人工智能三大学派中，符号主义认为智能源于对符号的运算与逻辑推理，核心是用符号系统模拟人类认知；连接主义认为智能源于神经元的连接与统计规律，代表是神经网络与深度学习；行为主义认为智能源于与环境的交互进化，代表是强化学习与具身智能，因此B选项正确。14.【答案】C【解析】过拟合是指模型过度学习训练数据中的噪声与偶然特征，导致在训练集上表现优异，但在测试集上泛化能力差的现象。解决过拟合的方法包括增加训练数据量、加入正则化项、采用dropout机制、降低模型复杂度、数据增强等；增大模型复杂度会提升模型的拟合能力，加剧过拟合问题，因此C选项正确。15.【答案】B【解析】召回率（Recall）又称查全率，指模型正确识别的正样本数量占所有实际正样本的比例，衡量模型对正样本的识别覆盖能力；精确率是正确识别的正样本占所有预测为正样本的比例，准确率是所有正确预测的样本占总样本的比例，F1值是精确率与召回率的调和平均数，因此B选项正确。二、多项选择题1.【答案】ABD【解析】监督学习需要基于标注数据训练模型，垃圾邮件分类（标注垃圾/正常标签）、用户信用评分（标注违约/履约标签或信用分值）、房价预测（标注实际房价标签）均属于监督学习场景；客户群体分群是基于用户行为特征的无监督聚类任务，不需要预先标注群体标签，因此ABD选项正确。2.【答案】ABC【解析】多模态大模型的核心能力包括跨模态理解（解析不同模态数据的语义信息）、跨模态生成（实现不同模态之间的内容转换）、模态对齐与融合（将不同模态的特征映射到同一语义空间，实现信息融合）；量子加速计算属于量子计算领域的技术，不属于多模态大模型的基础能力，因此ABC选项正确。3.【答案】ABC【解析】人工智能伦理治理的核心原则包括公平公正、透明可解释、隐私保护、安全可控、人类主导、责任可追溯等，“技术至上”违背了人类主导与安全可控的伦理原则，可能导致技术滥用风险，因此ABC选项正确。4.【答案】ABC【解析】强化学习的核心组成要素包括智能体、环境、奖励函数、状态空间、动作空间等，核心是智能体与环境的交互；标注数据集是监督学习的核心要素，强化学习不需要预先标注的训练数据，通过环境反馈的奖励自主学习策略，因此ABC选项正确。5.【答案】ABD【解析】AIGC指人工智能生成内容，核心是AI自主生成符合人类需求的文本、图像、音频、视频等内容，AI生成产品设计图、AI生成短视频字幕、AI智能客服自动回复均属于AIGC的应用场景；AI辅助医疗影像标注属于AI数据标注工具，是数据生产环节的辅助工具，不属于内容生成应用，因此ABD选项正确。三、判断题1.【答案】√【解析】机器学习是人工智能的核心分支，负责从数据中学习规律；深度学习是机器学习的子领域，基于多层人工神经网络实现特征的自动提取，无需人工设计特征，是当前大模型、计算机视觉、自然语言处理等领域的核心技术基础。2.【答案】×【解析】大模型的实际应用效果由参数量、训练数据质量与规模、对齐策略、领域适配方法、部署方式等多因素共同决定。2026年行业已普遍验证，“垂直领域小模型+高质量领域数据微调”的效果在特定场景下可超越参数量更大的通用大模型，参数量并非决定效果的唯一因素。3.【答案】√【解析】联邦学习属于隐私计算技术范畴，核心逻辑是各参与方原始数据不出本地，仅通过交互加密后的模型参数或梯度完成联合训练，既可以利用多方数据提升模型效果，又能保护数据隐私，是解决数据孤岛问题的核心技术方案。4.【答案】×【解析】语义分割任务需要对图像中的每个像素进行分类，区分不同物体或区域的边界，实现像素级的场景理解；仅识别整张图像所属类别的是图像分类任务。5.【答案】√【解析】大模型的“幻觉”问题源于训练数据中的错误信息、知识模糊性与统计生成的特性，知识图谱作为结构化的可信知识库，可以用于大模型的知识增强，为模型生成内容提供事实依据，有效减少事实性幻觉。6.【答案】×【解析】强化学习的目标是最大化长期累积奖励，而非仅关注当前的即时奖励，智能体需要权衡当前收益与未来收益，制定最优的长期策略，例如自动驾驶中需要为了长期安全放弃当前的快速通行。7.【答案】√【解析】多模态大模型通过大规模预训练将文本、图像、音频等多种模态的特征映射到同一语义空间，因此可以实现不同模态数据之间的语义理解与内容转换，例如文生图、图生文、语音转写加摘要等。8.【答案】×【解析】欠拟合是指模型复杂度不足，无法学习到数据中的内在规律，在训练集和测试集上的表现都较差；在训练集表现好、测试集表现差的是过拟合现象。9.【答案】√【解析】具身智能是人工智能的重要发展方向，核心是让AI具备物理实体或虚拟躯体，通过与环境的实时交互学习进化能力，而非仅依赖离线数据训练，2026年已在工业机器人、服务机器人、虚拟数字人等领域实现规模化落地。10.【答案】×【解析】全球范围内AI生成内容的著作权归属仍处于探索阶段，不同国家的法律规定存在差异，并未明确完全归属于AI模型开发者：美国版权局规定仅由人类创作的内容可获得版权，中国规定AI生成内容的权益归属于使用者或创作者，欧盟要求AI生成内容需明确标注来源。四、简答题1.【参考答案及得分点】人工智能发展历程共经历三次浪潮：（1）第一次浪潮（1956年-1970年代）：1956年达特茅斯会议正式提出“人工智能”概念，核心标志是符号主义与逻辑推理机，主要成果包括逻辑理论家程序、通用问题求解器等，因算力不足、数据匮乏，无法解决复杂现实问题，第一次浪潮于70年代进入低谷。（2分，时间节点1分，核心标志与特点1分）（2）第二次浪潮（1980年-1990年代）：核心标志是专家系统的商业化应用，通过将领域专家的知识编码为规则，实现特定领域的智能决策，代表性应用包括医疗诊断专家系统MYCIN、化学分析专家系统DENDRAL等；后因专家系统知识更新成本高、泛化能力差、维护成本高，90年代末第二次浪潮逐渐降温。（2分，时间节点1分，核心标志与特点1分）（3）第三次浪潮（2012年至今）：核心标志是深度学习技术的突破与大模型的落地，2012年AlexNet在ImageNet图像分类比赛中以远超传统方法的精度夺冠，证明了深度学习的有效性；2022年以来通用大模型、多模态大模型快速发展，推动人工智能从专用场景向通用能力演进，2026年已在制造、教育、医疗、金融等行业实现规模化落地。（2分，时间节点1分，核心标志与特点1分）2.【参考答案及得分点】（1）监督学习：核心思想是基于带标注的训练数据，学习输入特征与输出标签之间的映射关系，从而对未知数据进行预测（1分）；典型适用场景包括分类、回归类任务，如垃圾邮件分类、房价预测、疾病辅助诊断、用户churn预测等（1分）。（2）无监督学习：核心思想是基于无标注的训练数据，挖掘数据内在的分布规律与结构特征，不需要预先定义输出标签（1分）；典型适用场景包括聚类、降维、关联规则挖掘、异常检测，如客户分群、数据可视化、商品关联推荐、网络攻击检测等（1分）。（3）强化学习：核心思想是智能体通过与环境交互，根据环境反馈的奖励信号调整动作策略，目标是最大化长期累积奖励，不需要预先标注的数据（1分）；典型适用场景包括序列决策类任务，如机器人控制、游戏AI、自动驾驶决策、电网资源调度、推荐系统实时优化等（1分）。3.【参考答案及得分点】核心支撑技术：（1）Transformer统一架构：Transformer的自注意力机制能够高效处理长序列数据，且支持并行计算，可适配文本、图像、音频等不同模态的特征提取，为多模态大模型提供了统一的技术底座，解决了传统多模态模型架构不统一的问题（1分）。（2）大规模多模态预训练数据：海量的文本-图像-音频配对数据与无标注多模态数据，是多模态大模型学习跨模态语义关联的基础，2026年主流多模态大模型的训练数据规模已达PB级（1分）。（3）模态对齐技术：通过跨模态对比学习、跨模态注意力等方法，将不同模态的特征映射到同一语义空间，实现不同模态之间的语义关联与转换，是多模态大模型具备跨模态能力的核心（1分）。典型应用场景：可列举三类即可，每类1分，总计3分：①智能内容创作：如根据文本描述生成图像、短视频，根据语音生成带字幕的视频，大幅提升内容生产效率；②多模态智能客服：可同时理解用户发送的文本、图片、语音问题，结合订单信息、产品知识库提供精准解答，提升客服响应速度与满意度；③医疗辅助诊断：结合患者的医学影像、病历文本、检验数据、既往病史等多模态信息，辅助医生进行疾病诊断与治疗方案推荐，提升诊断准确率；④智能教育：支持图文结合的知识点讲解，根据学生的作业图像、答题语音与学习数据进行针对性辅导，实现千人千面的个性化学习。4.【参考答案及得分点】内涵：算法可解释性是指人工智能模型的决策过程、决策依据能够以人类可理解的方式呈现，打破“黑箱”模型的不可知性，让使用者、监管者能够知晓模型为何做出特定判断，以及判断的逻辑链条（2分）。实际应用价值：答出任意4点即可得4分，总计4分：①提升用户信任：在医疗、金融、司法等高风险领域，可解释的AI决策更容易获得用户的信任与接受，降低用户的抵触情绪；②便于错误排查：当模型出现决策错误时，可通过可解释性分析定位问题原因（如特征偏差、数据分布偏移等），快速优化模型，减少故障损失；③符合监管要求：全球各国AI监管法规（如欧盟AI法案、中国生成式AI服务管理暂行办法）普遍要求高风险AI系统具备可解释性，可解释性是AI产品合规的必要条件；④保障算法公平：通过可解释性分析可以发现模型是否存在性别、种族、地域等偏见，及时调整模型与数据，保障算法的公平公正；⑤辅助知识发现：在科研、医疗等领域，可解释的AI模型可以揭示数据背后的潜在规律，辅助科研人员发现新知识、新的治疗靶点等。五、综合分析与应用题1.【参考答案及评分标准】（1）该任务属于监督学习中的多分类任务（1分）。判断依据：训练数据带有明确的诊断标签（健康、普通肺炎、重症肺炎三类），模型的训练目标是学习胸部X光影像特征与诊断标签之间的映射关系，从而对新的未知标签的影像数据进行分类预测，完全符合监督学习中分类任务的核心特征（2分）。（2）当前数据集存在样本类别不平衡问题（1分），即不同类别的样本数量差异较大，普通肺炎样本（900份）最多，重症肺炎样本（200份）最少，两类样本数量相差4.5倍。负面影响：①模型会倾向于学习多数类样本的特征，对少数类（重症肺炎）的识别精度低，容易出现重症病例漏诊的情况，带来医疗风险（1分）；②模型的整体准确率指标具有误导性，即使所有重症样本都被误判，只要多数类样本识别率高，整体准确率依然会维持在较高水平，无法真实反映模型的临床价值（1分）。（3）解决方案：答出任意3种即可得4分，原理描述清晰准确：①过采样法：对少数类样本（重症肺炎）进行过采样，如采用SMOTE算法基于现有重症样本的特征空间生成合成样本，增加少数类的样本数量，平衡各类别样本的占比，让模型能够充分学习少数类的特征（1分）。②欠采样法：减少多数类样本（普通肺炎）的数量，通过随机剔除、聚类筛选等方式保留部分有代表性的普通肺炎样本，使各类别样本数量接近，降低多数类对模型的偏向影响（1分）。③加权损失函数：在模型训练时，提高少数类样本的损失权重，让模型更关注少数类的分类错误，通过权重调整抵消样本不平衡带来的偏向，无需改动数据集本身（1分）。④数据增强：对少数类样本进行数据增强，如对X光影像进行随机旋转、平移、缩放、对比度调整、加噪声等操作，生成更多的训练样本，丰富少数类的数据多样性，提升模型的泛化能力（1分）。⑤采用不平衡学习专用集成算法：如使用EasyEnsemble算法，通过多次对多数类样本进行欠采样，与少数类样本组合训练多个基分类器，最终集成所有基分类器的结果，提升模型对少数类的识别能力，同时避免多数类信息的丢失（1分）。2.【参考答案及评分标准】（1）核心技术：答出任意3种即可得4分，技术与作用对应准确：①计算机视觉（OCR与图像理解技术）：用于识别学生作业中的文字、手写公式、图形符号，结合知识判断答题正误，实现作业的智能批改（1分）。②自然语言处理（大模型与学科知识